論文の概要: Evolutionary Multitask Optimization: a Methodological Overview, Challenges and Future Research Directions

• arxiv url: http://arxiv.org/abs/2102.02558v1
• Date: Thu, 4 Feb 2021 11:48:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-05 16:15:42.156631
• Title: Evolutionary Multitask Optimization: a Methodological Overview, Challenges and Future Research Directions
• Title（参考訳）: 進化的マルチタスク最適化:方法論概要,課題,今後の研究方向
• Authors: Eneko Osaba, Aritz D. Martinez and Javier Del Ser
• Abstract要約: 一つの探索プロセスを実行することで、複数の最適化問題を同時に解くという文脈でマルチタスクを考える。 進化的マルチタスクの新たなパラダイムは、進化的計算から引き出されたインスピレーションの概念を用いて、マルチタスク最適化のシナリオに取り組む。
• 参考スコア（独自算出の注目度）: 8.14509634354919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we consider multitasking in the context of solving multiple optimization problems simultaneously by conducting a single search process. The principal goal when dealing with this scenario is to dynamically exploit the existing complementarities among the problems (tasks) being optimized, helping each other through the exchange of valuable knowledge. Additionally, the emerging paradigm of Evolutionary Multitasking tackles multitask optimization scenarios by using as inspiration concepts drawn from Evolutionary Computation. The main purpose of this survey is to collect, organize and critically examine the abundant literature published so far in Evolutionary Multitasking, with an emphasis on the methodological patterns followed when designing new algorithmic proposals in this area (namely, multifactorial optimization and multipopulation-based multitasking). We complement our critical analysis with an identification of challenges that remain open to date, along with promising research directions that can stimulate future efforts in this topic. Our discussions held throughout this manuscript are offered to the audience as a reference of the general trajectory followed by the community working in this field in recent times, as well as a self-contained entry point for newcomers and researchers interested to join this exciting research avenue.
• Abstract（参考訳）: 本研究では,複数の最適化問題を同時に解決するために,単一探索処理を行うことでマルチタスクを考える。 このシナリオに対処する主な目標は、最適化されている問題(タスク)のうち既存の相補性を動的に活用し、価値ある知識の交換を通じて互いに助け合うことである。 さらに、進化的マルチタスクの新たなパラダイムは、進化的計算から引き出されたインスピレーションの概念を用いて、マルチタスク最適化のシナリオに取り組む。 この調査の主な目的は、この分野における新しいアルゴリズム提案(すなわち、マルチファクタリ最適化とマルチポピュレーションベースのマルチタスク)を設計する際に続く方法論パターンに焦点を当てて、これまでの進化的マルチタスクで公開された豊富な文献を収集し、整理し、批判的に検討することです。 我々は、このトピックにおける今後の取り組みを刺激する有望な研究方向とともに、現在オープンである課題を特定することで、われわれの批判的分析を補完する。 この原稿を通して行われた議論は、この分野で働くコミュニティが最近続く一般的な軌跡の参考として、そしてこのエキサイティングな研究道に参加することに関心のある新人や研究者のための自己完結のエントリーポイントとして、聴衆に提供されます。

関連論文リスト

• A Survey of Neural Code Intelligence: Paradigms, Advances and Beyond [84.95530356322621]
  この調査は、コードインテリジェンスの発展に関する体系的なレビューを示す。 50以上の代表モデルとその変種、20以上のタスクのカテゴリ、および680以上の関連する広範な研究をカバーしている。 発達軌道の考察に基づいて、コードインテリジェンスとより広範なマシンインテリジェンスとの間の新たな相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-21T08:54:56Z)
• Sample Efficient Myopic Exploration Through Multitask Reinforcement Learning with Diverse Tasks [53.44714413181162]
  本稿では, エージェントが十分に多様なタスクセットで訓練された場合, 筋電図探索設計による一般的なポリシー共有アルゴリズムは, サンプル効率がよいことを示す。 我々の知る限りでは、これはMTRLの「探索的利益」の初めての理論的実証である。
  論文  参考訳（メタデータ） (2024-03-03T22:57:44Z)
• Large Multimodal Agents: A Survey [78.81459893884737]
  大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。 LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。 本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-23T06:04:23Z)
• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)
• In Defense of the Unitary Scalarization for Deep Multi-Task Learning [121.76421174107463]
  本稿では,多くの特殊マルチタスクを正規化の形式として解釈できることを示唆する理論解析について述べる。 標準正規化と安定化技術と組み合わせると、ユニタリスカラー化は複雑なマルチタスクの性能にマッチし、改善することを示す。
  論文  参考訳（メタデータ） (2022-01-11T18:44:17Z)
• Evolutionary Multitask Optimization: Fundamental Research Questions, Practices, and Directions for the Future [10.330156481082698]
  このコミュニケーションは、読者がこれらの問題を振り返り、なぜ未解決のままなのかを合理的に示すことを目的としている。 具体的には,進化的マルチタスク最適化の3つの重要な点を強調する。 本研究の結果,この将来性のある分野を正しい軌道で維持するためには,コミュニティが重要な取り組みを行う必要があると結論付けている。
  論文  参考訳（メタデータ） (2021-11-29T11:23:51Z)
• Multi-Task Learning with Sequence-Conditioned Transporter Networks [67.57293592529517]
  シーケンスコンディショニングと重み付きサンプリングのレンズによるマルチタスク学習の実現を目指している。 合成タスクを対象とした新しいベンチマークであるMultiRavensを提案する。 次に,視覚に基づくエンドツーエンドシステムアーキテクチャであるSequence-Conditioned Transporter Networksを提案する。
  論文  参考訳（メタデータ） (2021-09-15T21:19:11Z)
• A Coevolutionary Variable Neighborhood Search Algorithm for Discrete Multitasking (CoVNS): Application to Community Detection over Graphs [8.525387045951776]
  本稿では,マルチタスク最適化のシナリオを扱う視点として,進化的マルチタスクに着目した。 本稿では,共進化的近傍探索アルゴリズム(Coevolutionary Variable Neighborhood Search Algorithm)と名づけられた新しいマルチタスク手法を提案する。 本手法により得られた結果は, 並列変数近傍探索と基本変数近傍探索の独立実行とを比較した。
  論文  参考訳（メタデータ） (2020-09-30T07:26:43Z)
• On the Transferability of Knowledge among Vehicle Routing Problems by using Cellular Evolutionary Multitasking [6.943742860591444]
  この研究は、最近提案されたMFCGA(Multifactorial Cellular Genetic Algorithm)のキャパシタントカールーティング問題(CVRP)への適用に焦点を当てている。 この研究の貢献は2つあるが、一方、MFCGAの自動車ルーティング問題ファミリーへの最初の応用である。他方、問題インスタンス間の正の遺伝伝達可能性の定量的解析に焦点をあてた第2の貢献は、同様に興味深い。
  論文  参考訳（メタデータ） (2020-05-11T12:58:00Z)
• COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary Multitasking [9.54239662772307]
  マルチタスク環境を扱うための新しいアルゴリズムスキームを提案する。 提案手法はCoevolutionary Bat Algorithmと呼ばれ、共進化的戦略とメタヒューリスティックなBat Algorithmの両方から着想を得た。
  論文  参考訳（メタデータ） (2020-03-24T13:37:43Z)
• Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design, Performance Comparison and Genetic Transferability Analysis [17.120962133525225]
  多目的最適化は先進的な研究領域であり、近年顕著な研究の勢いを増している。 本稿では,多因子最適化シナリオのための新しいアルゴリズムスキームを提案する。 提案したMFCGAはセルオートマタの概念に基づいて,問題間の知識交換機構を実装している。
  論文  参考訳（メタデータ） (2020-03-24T11:03:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。